第八章_人工神经网络_162180_.docVIP

第八章 人工神经网络 第一节 人工神经网络概述 在人的正常生活、工作过程中，大约有个相互连接的神经元在帮助阅读、呼吸、思考，以及完成各种各样的动作。这些神经元中，有些有着与生俱来的功能，比如呼吸、吮吸，有些则是由后天训练得到的，比如阅读、语言。虽然人们并不完全清楚生物的神经网络是如何工作的，但是根据神经元的基本工作原理而构造的人工神经元，可以模拟人脑的某些功能，这就是本章所要讨论的内容。 人工神经网络（Artificial Neural Network，ANN）是在人类对大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性全局作用，是能够进行复杂的逻辑操作和实现非线性关系的系统。人工神经网络吸取了生物神经网络的许多优点，因而有其固有的特点，包括： （1）高度的并行性； （2）高度的非线性全局作用； （3）良好的容错性与联想记忆功能； （4）十分强的自适应、自学习功能。 人脑神经系统的基本构造单元是神经元，它与人体中其它细胞的关键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部分：细胞体、树突和轴突。树突的作用是向四方收集由其他神经元传来的信息，轴突的功能是传出从细胞体送来的信息。每个神经元所产生和传递的基本信息是兴奋或抑制。两个神经元之间的接触点称为突触。简单神经元模型如图所示。 图简单神经元模型 从信息的传递过程来看，一个神经元的树突，在突触处从其他神经元接受信号。这些信号可能是兴奋的，也可能是抑制的。所有树突接受到的信号都传到细胞体进行综合处理。如果在一个时间间隔内，某一细胞接受到的兴奋信号量足够大，以至于使该细胞被激活，则产生一个脉冲信号。这个信号将沿着该细胞的轴突传送出去，并通过突触传给其他神经元。神经元通过突触的连接形成神经网络。 人们正是通过对人脑神经系统的初步认识，尝试构造出人工神经元以组成人工神经网络系统，来对人的智能，甚至是思维行为进行研究，尝试从理性角度阐明大脑的高级机能。人工神经元仿效生物神经元最基本的特征，与生物原形相对应，其主要结构单元是信号的输入、综合处理和输出，其输出信号的强度大小反映了该单元对相邻单元影响的强弱。人工神经元之间通过相互连接形成网络，称为人工神经网络。神经元之间相互连接的方式称为连接模式，相互之间的连接度由连接权值体现。在人工神经网络中，改变信息处理过程及其能力的过程，就是修改网络权值的过程。目前多数人工神经网络的构造都采用以下原则： （1）由一定数量的基本单元分层连接构成； （2）每个单元的输入、输出信号以及综合处理内容都比较简单； （3）网络的学习和知识的存储体现在各单元之间的连接强度上。 随着人工神经网络技术的发展，其用途日益广泛，应用领域也在不断扩展，已在各工程领域中得到广泛应用。人工神经网络技术可用于如下信息处理工作：函数逼近、感知觉模拟、多目标跟踪、联想记忆及数据恢复等。具体而言，主要用于解决下述几类问题： （1）模式信息处理和模式识别。神经网络经过训练可有效地提取信号、语音、图像、雷达、声纳等感知模式的特征，并能解决现有启发式模式识别系统不能很好解决的不变测量、自适应、抽象或概括等问题。神经网络可以应用于模式识别的各个环节，如特征提取、聚类分析、边缘检测、信号增强、噪声抑制、数据压缩等。模式识别是人工神经网络特别适宜求解的一类问题，神经网络模式识别技术在各领域中的广泛应用是神经网络技术发展的一个重要侧面。 （2）人工智能。专家系统是人工智能领域研究时间最长，应用最成功的技术，但人们在应用专家系统解决诸如语音识别、图像处理和机器人控制等这类类似于人脑的形象思维的问题时，却遇到很大困难。神经网络为人工智能开辟了一条的途径，成为人工智能研究领域中的后起之秀。 （3）控制工程。神经网络在诸如机器人运动控制、工业生产中的过程控制等复杂控制问题方面有独到之处。较之基于传统数字计算机的离散控制方式，神经网络更适于组成快速实时自适应控制系统。 （4）联想记忆。联想记忆的作用是用一个不完整或模糊的信息联想出储存在记忆中的某个完整、清晰的模式来。如何提高模式存贮量和联想质量仍是神经网络的热点之一。目前在这方面的应用有内容寻址器、人脸识别器、知识数据库等。 （5）信号处理。神经网络的自学习和自适应能力使其成为对各类信号进行多用途加工处理的一种天然工具，主要用于解决信号处理中的自适应和非线性问题。包括自适应均衡、自适应滤波、回波抵消、自适应波束形成和各种非线性问题。 虽然神经网络在许多领域都有成功的应用案例，但神经网络也不是尽善尽美的。目前，神经网络的理论研究和实际应用都还在进一步的探索之中，相信随着人工